[發明專利]基于卷積編碼器和閔式距離的行星齒輪箱故障檢測方法

在審

• 申請號: 201810653611.4
• 申請日: 2018-06-22
• 公開（公告）號: CN108844735A
• 公開（公告）日: 2018-11-20
• 發明（設計）人: 李東東;王浩;華偉;趙耀;楊帆;林順富
• 申請（專利權）人: 上海電力學院
• 主分類號: G01M13/02
• 分類號: G01M13/02
• 代理公司: 上?？剖⒅R產權代理有限公司 31225
• 代理人: 丁云

本發明涉及一種基于卷積編碼器和閔式距離的行星齒輪箱故障檢測方法，該方法包括如下步驟：(1)獲取行星齒輪箱振動信號；(2)將行星齒輪箱振動信號輸入至預先訓練的特征提取模型，所述的特征提取模型為一維卷積編碼器；(3)特征提取模型提取故障特征向量，求取故障特征向量與已知故障類別特征向量的閔式距離，根據閔式距離大小獲取故障類型。與現有技術相比，本發明可以達到很高的診斷精確度，并且該方法能夠適應實時性的需要，具有良好的實用價值。

技術領域

本發明涉及電力系統設備維護領域，尤其是涉及一種基于卷積編碼器和閔式距離的行星齒輪箱故障檢測方法。

背景技術

電力系統設備的狀態監測是電力系統中不可或缺的一部分。行星齒輪箱作為風力發電機重要的傳動裝置，它由太陽輪、行星輪、行星輪軸承、齒圈和行星架組成，可以在緊湊的空間中獲得高的扭矩比。由于其復雜的振動傳輸路徑、多齒的嚙合效應、信號的非平穩性以及工作背景噪聲大等原因，導致其故障診斷具有自身的特點和難點。齒輪箱的故障診斷通?；趦蓚€方面：基于指標的故障診斷和基于數據驅動的故障診斷。

基于指標的故障診斷需要對研究對象進行物理建模，獲取對象數據的時域和頻域等指標，再通過對比分析各指標達到故障診斷的目的。但由于齒輪箱信號一般包含大量噪聲，信號存在調制現象，利用指標來診斷故障存在準確度低、穩定性差等缺點。

隨著網絡和硬件技術發展，數據的獲取和存儲更為方便，基于數據驅動的故障診斷成為一個新的發展方向。和基于指標的方法不同，數據驅動方法無需進行物理建模，而是通過智能算法對獲取的數據進行適當的處理和分析來提取數據特征，從而發現數據之間的規律。

智能學習算法包括監督學習和無監督學習。監督學習對數據敏感度高，并且需要大量的訓練數據等缺點。無監督學習可以在無標簽的情況下自動提取數據特征，算法適應性更強，已經成為模式識別領域新的研究熱點。

在故障診斷技術中，如何有效的提取數據的代表性特征，對診斷的精度起到至關重要的作用。傳統神經網絡作為特征提取的重要算法，已經在故障診斷領域和電力系統檢測領域得到廣泛的研究和應用。但是傳統的神經網絡算法具有難以克服的缺點，如算法本身計算效率低，診斷精度難以達到要求，需要對原始數據進行預處理等。傳統的智能算法屬于監督學習算法，需要大量的人力去制作數據標簽，不僅浪費人力物力，生成的模型適應范圍也存在局限性。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于卷積編碼器和閔式距離的行星齒輪箱故障檢測方法。

本發明的目的可以通過以下技術方案來實現：

一種基于卷積編碼器和閔式距離的行星齒輪箱故障檢測方法，該方法包括如下步驟：

(1)獲取行星齒輪箱振動信號；

(2)將行星齒輪箱振動信號輸入至預先訓練的特征提取模型，所述的特征提取模型為一維卷積編碼器；

(3)特征提取模型提取故障特征向量，求取故障特征向量與已知故障類別特征向量的閔式距離，根據閔式距離大小獲取故障類型。

所述的一維卷積編碼器包括依次連接的輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、特征向量層和輸出層，所述的輸入層用于輸入行星齒輪箱振動信號，所述的第一卷積層、第一池化層、第二卷積層和第二池化層依次進行卷積-下采樣-卷積-下采樣操作，所述的特征向量層將第二池化層的特征映射圖首尾連接形成故障特征向量，所述的輸出層將故障特征向量進行全連接并輸出與輸入層行星齒輪箱振動信號維數相同的類振動信號，所述的類振動信號無限趨近行星齒輪箱振動信號。

所述的第一卷積層和第二卷積層具體為：

設一維卷積神經網絡中第l層為卷積層，則對應卷積層的計算公式為：